CAPÍTULO 1: ESPACIOS VECTORIALES

Definición

Un cuerpo (no alabeado) cuyos elementos (escalares) se representan por letras griegas.
Un grupo abeliano de elementos (vectores) notados con letras latinas.
Se define un espacio vectorial sobre el cuerpo si se define una aplicación de en tal que a todo par
( ) , haga corresponder un elemento cumpliendo las siguientes propiedades

- Distributividad con respecto a la adición de : ( )

- Distributividad respecto a la adición de : ( )
- Asociatividad de los elementos : ( ) ( )
- , siendo el elemento neutro de .
- Siendo la operación de
- Siendo y las operaciones de

Ejemplo 1

Dado el conjunto *( ) )

Se definen las leyes siguientes:

- 1. , tal que ( ) ( ) ( )
- 2. , tal que si ( ) ( )

Comprobar que ( ) es un espacio vectorial sobre

1. Es inmediato comprobar que:

o es una ley de composición interna, que cumple las propiedades asociativa y conmutativa.
o ( ) es el elemento neutro
o ( ) es el opuesto o simétrico de ( )
o Por tanto ( ) tiene estructura de grupo abeliano.

2. Si y són números reales se cumplen las siguientes propiedades:

a) [ ( )] ( ) ( )
( ) ( ) ( )
Por tanto [ ( )] ( ) ( )
Con esto se verifica la asociatividad respecto al producto de escalares

b) [( ) ( )] ( ) ( ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ( ) ( ))
Por tanto [( ) ( )] ( ) ( )
Con esto se verifica la distributividad respecto a la suma de factores

c) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) (( ) ( ) )
Por tanto ( ) ( ) ( ) ( )
Con esto se comprueba la distributividad con respecto a la suma de escalares

d) Es evidente que: ( ) ( ) ( )
Por tanto, ( ) cumple las cuatro propiedades de la ley externa y como ( ) era grupo abeliano
( ) tiene estructura de espacio vectorial.
Dependencia e independencia lineal

Linealmente dependientes: Linealmente independientes

Dado los vectores Si los números son todos nulos

existen escalares no todos nulos que hacen que la suma de vectores sea ̅ .
tal que

̅( )

Ejemplo 2

Comprobar si son linealmente dependientes: ( ) ( ) ( ) ( )

( ) ( ) ( )
{
Para ser linealmente dependientes ha de cumplir
que: ( )
( )

Al ser diferentes de cero son linealmente dependientes

Combinación lineal o dependencia lineal

Si el vector se puede obtener a partir de :

Ejemplo

Dado los siguientes vectores El siguiente vector es combinación de los anteriores

( )
( ) ( ) ( ) ( )
( ) ( )
Subespacio vectorial

es un subespacio vectorial o una variedad lineal del espacio sobre el cuerpo si:
- es un subconjunto de .
- también es un espacio vectorial
- Por tanto si y son vectores de , es decir, se cumple que (siendo :
o
o

Como consecuencia:
- El elemento neutro de pertenece a .
- El opuesto de cualquier vector de pertenece a :
o

Si un subespacio vectorial contiene los vectores , también contiene a todos los vectores de la forma

Ejemplo 4

Determinar e para que el vector Para que pertenezca a la variedad lineal ha de:

( ) ( ) ( ) ( )

pertenezca a la variedad lineal engendrada por Por tanto

( )y( )

Buscamos

Por tanto ( ) para que pertenezca.

Base y dimensión

Sistema generador:
- Si los vectores de un espacio vectorial,
- se puede obtener como combinación lineal de los vectores ,
- se dice que éstos constituyen un sistema generador de dicho espacio vectorial.

Base de un espacio vectorial: Si los vectores del sistema generador de son linealmente independientes.

Dimensión: El número de elementos de que consta cualquier base de un espacio vectorial.

Ejemplo 5

Los dos siguientes vectores Pero siendo ( ) un vector de dicho espacio se

obtiene
( )
( ) ( ) ( ) ( )
( ) ( )
Son linealmente independientes debido a que no se
{
puede cumplir la igualdad

( ) ( ) Por tanto ( ) es base de dicho espacio

 CAPÍTULO 2: MATRICES Y DETERMINANTES

2.2 Tipos de matrices

Un único elemento ( )

Matriz de dimensiones ( ) ( )
Vector fila o Matriz Fila ( )

Matriz de dimensiones ( )
( + ( +
Vector columna o Matriz Columna

Matriz cero . /

Matriz simétrica ( ) ( +

Matriz hemisimétrica ( +

Matriz simétrica diagonal

( +
(los elementos fuera de la diagonal son nulos)

Matriz escalar
( +
(los elementos de la diagonal son iguales)

Matriz unidad
. /
(los elementos de la diagonal son iguales a 1)

Matriz triangular
(matriz cuadrada con los elementos situados a ( +
un lado de la diagonal nulos)
2.3 a 2.5 Operaciones con matrices y varias

Suma de Matrices . / ( * ( *

Producto de un
escalar por una . / ( *
matriz

( + ( *
Producto de
matrices
( +

( + ( +
Matriz idempotente
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ( ) ( ) ( ) )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

Matriz nipotente
( + ( +
= índice de nilpotencia

. / ( )
Producto de
( ) ( )
Kronecker ( *
( ) ( )

( )

Transposición de
. / ( +
matrices

2.6 Determinantes

| | | |

| | | |

Propiedades de los determinantes:

- El valor de un determinante no varía si se cambian filas por columnas.
- Si se cambian entre sí dos líneas (filas o columnas) paralelas, varia el signo del determinante.
- Si en un determinante dos líneas paralelas son iguales, el determinante es nulo.
- Si se multiplica o divide todos los elementos de una línea por un número, el valor del determinante queda
multiplicado por dicho número.
- Si dos líneas paralelas de un determinante son proporcionales, el determinante es nulo.
2.7 y 2.8 Desarrollo de un determinante por los elementos de una línea y producto de determinantes

Menor complementario
de un elemento | | | | | |
( )

Adjunto
| | | | ( ) | |
( )

| | | |

Desarrollo de ( ) | | ( ) | |
determinantes por
adjuntos de una fila
( ) ( ) | | ( ) | |

| |
( )

Funciona igual que en matrices

Producto de | | | |
determinantes En caso de ser cuadrada :
| | | | | |

2.9 Suma de determinantes

Dos determinantes del mismo | | | |

orden
Son sumables si todas las columnas
son iguales menos una | ( )| | |

| | | |
En un determinante se puede
sumar a una línea otras
multiplicadas por un número sin | | | |
que se altere el determinante
| | | |

Si una línea de un determinante es

combinación lineal de otras
paralelas multiplicadas por un | |
número cualquiera, el
determinante es nulo
2.10 Aplicaciones al desarrollo de determinantes

Si una línea de un determinante, existe algún cero, al desarrollar por los elementos de dicha línea no hay que
calcular el adjunto del elemento nulo:
- Por tanto es interesante introducir ceros en los determinantes.
- Si existe un 1 o -1 es fácil reducir a ceros todos los elementos de su fila o su columna, salvo dicho
elemento 1.

Ejemplo

A la siguiente matriz, tomando como pivote el 1 de

la primera fila para convertir en 0 los elementos de | |
la segunda columna

Se multiplica la primera fila por 3 ( ) ( )

Se suma a la segunda fila (buscando de resultado 0 ( ) ( )

en la segunda columna) ( )

Se multiplica la primera fila por 4 ( ) ( )

Se suma a la tercera fila (buscando de resultado 0 ( ) ( )

en la segunda columna) ( )

Se suma a la cuarta fila (buscando el 0 en la segunda ( ) ( )

columna) ( )

Obtenemos finalmente la siguiente matriz, donde el

| | | |
determinante es el mismo

| |

Así que si desarrollamos el determinante por los

adjuntos de la segunda columna, se obtiene
( ) | |

Ejemplo, en caso de no existir el 1

De la siguiente matriz | |

Se multiplica la segunda fila por -2 ( ) ( )

Se suma a la primera fila ( ) ( ) ( )

Con lo que ya obtenemos la matriz con el número 1,

luego se procederá a operar como el ejemplo | |
anterior
Determinante de Vandermonde

De la siguiente matriz | |

( ) ( )
Multiplicamos primera fila por –
( ) ( )
y la sumamos a la segunda
( )

( ) ( )
Multiplicamos segunda fila por–
( ) ( )
y la sumamos a la tercera
( )

( ) ( )
Multiplicamos tercera fila por –
( ) ( )
y la sumamos a la cuarta
( )

La matriz resultante será | |

Pivotando con el 1, equivale a | |

| ( ) ( ) ( )|
Que extrayendo factores ( ) ( ) ( )
comunes es
( )( )( )| |

Con lo que obtenemos un nuevo

| |
determinante de Vandermonde

Multiplicamos 1ª por – y le ( ) ( ) ( )
sumamos la segunda

Multiplicamos 2ª por – y le ( ) ( ) ( )
sumamos la tercera

De la matriz resultante,
| | | |
pivotamos con el 1

Que extrayendo factores

| | ( )( )| |
comunes es ( ) ( )

El resultado será los factores del

1º determinante Vandermonde
( )( )( )( )( ) ( )
por los del 2º el determinante del
último.
2.11 Dependencia Lineal de Vectores

Si en una matriz una línea es combinación lineal de otras paralelas, todos los menores que se pueden formar con
las siguientes son nulos.

( ,
En la siguiente matriz, la tercera fila es
combinación lineal de las dos primeras.
( ) ( )
La primera por 3 más la segunda por -2.
( ) ( )
( )

Entonces, todos los menores que se pueden formar

| | | | | |
con las tres primeras filas serán nulos

Si en una matriz existe un menor no nulo de orden , y orlándole con los elementos de la fila y con cada una de
las columnas de la matriz resultan todos estos menores (de orden ) nulos, se puede concluir que la fila es
combinación lineal de las filas pertenecientes al menor dado.

Verificar que en la matriz siguiente la tercera

( +
fila es combinación lineal de las dos primeras

El menor no nulo es de orden 2 formado por

| |
elementos de las dos primeras filas

Orlándole con elementos de la tercera fila y las | | | | | |

sucesivas columnas se obtienen los menores

Al ser los menores no nulos La tercera fila es combinación lineal de las dos primeras

Según los vectores ( ) ( )

Comprobar si el siguiente vector es

( )
combinación lineal

Se forma la matriz de dichos vectores ( +

Se comprueba si el menor de orden 2 es nulo | |

Orlando dicho menor con la tercera fila y

| | | |
columnas sucesivas

La tercera fila es combinación lineal de las dos primeras,

Que al ser ambos menores nulos
o que el vector depende linealmente de los y .
2.12 y 2.13 Rango de una matriz y Obtención del rango de una matriz

Si en una matriz hay algún menor no nulo de orden y son nulos todos los menores de orden , el número
se llama rango o característica de dicha matriz.

- Si a simple vista se observa que una línea es comb. lineal de otras, se suprime sin que altere el rango.
- Se forma un menor de segundo orden no nulo, entonces, el rango será por lo menos 2.
- Se orla el referido menor de segundo orden con las filas y columnas, si alguno fuera distinto de 0 el rango
será por lo menos 3.
- Se orla el menor no nulo de tercer orden con filas y columnas, si alguno fuera distinto de 0 el rango será
por lo menos 4.
- Se continúa el proceso hasta agotar las líneas y columnas.

Hallar el rango de la siguiente matriz ( ,

Se observa que la tercera fila se puede obtener

como suma de las dos primeras, por tanto, se ( +
suprime sin alterar el rango.

| |
Se busca si hay un menor de orden 2 no nulo
El rango como mínimo es ( ) .

| | | | | |
Orlando el menor de orden 2 de todas las
formas posibles
Todos los determinantes son nulos por lo que el rango
sigue siendo ( )

Hallar el rango de la siguiente matriz

( )

| |
El menor de orden 2 no nulo es
El rango como mínimo es ( ) .

| | | | | |
Orlando el menor de orden 2 de todas la formas
posibles Hay algún determinante no nulo, por lo que el rango
como mínimo es ( ) .
Pero al no haber más columnas el rango será 3.
2.13.1 Transformaciones que conservan el rango de una matriz

Multiplicar todos los elementos ( + ( +

de una fila o columna por
un número distinto de cero

Sumar a una fila o columna ( + ( +

una combinación lineal de las
restantes

Suprimir una fila o columna

( + ( )
cuyos elementos son 0

Suprimir una fila o columna

( + . /
que sea combinación lineal de otras

Intercambiar dos filas o dos columnas ( + ( + ( +

2.13.2 Aplicaciones del cálculo del rango de una matriz a los espacios vectoriales

Linealmente independiente
| | ( )
Dependencia lineal
Linealmente dependiente
| | ( )

Los siguiente vectores forman una base en el espacio vectorial

( ) ( ) ( ) ( )

| | ( *| |

Formación de una base | | ( )

Los siguientes vectores no forman una base en el espacio vectorial

| |
( ) ( ) ( ) ( )

| | ( *| |

( ) | |

En el espacio vectorial , hallar la dimensión del subespacio vectorial

engendrado por los siguientes vectores:
( ) ( ) ( ) ( ) ( )

Dimensión subespacio
vectorial engendrado por el ( +
conjunto de vectores
( )
Es el número máximo de
vectores linealmente depend.
. /
o rango de la matriz.
( )

| | ( )
2.14 Matriz inversa

( + | |

| | | | | |

| | | | | |

(| | | | | |)

Matriz inversa regular

(cuadrada y no singular) | |

( + | | | | ( )

| | | | | |

( ) ( )

( +

Propiedades ( )

( ) ( )
2.14.1 Matriz inversa generalizada (MP Moore Penrose ) cuando | |

( )
Propiedades ( ) ( )

Para hallar la MP inversa, hay tres casos

1. Si ( ) ............................................................................. ( )
2. Si ( ) ............................................................................ ( )
3. Si ( ) ( ), descomponer en
siendo y y ambas del mismo rango .....................................................

Ejemplo 1

. /

Como ( ) tomaremos el caso 1 ( )

( ) 0. /. /1 . / . /

( ) . /. / . /

Ejemplo 2

. /

Como ( ) y tomaremos el caso 2 ( )

( ) [. /( +] . / ( ,

( ) ( +( ,

( )
Comprobamos que

. / ( , . /

( )

Ejemplo 3

( +

Vemos que | | y que el ( ) ( ); por lo que

( + . / se hallan y y se multiplican.
2.14.2 El operador vec

Sea la siguiente matriz . /

Que designaremos los vectores columnas . / . /

El operador vec la convierte en vector columna ( ,

( )
Propiedades
( ) ( )( )

2.15 Matrices ortogonales ( )

( + ( + ( + ( +
Matriz cuadrada

Por la igualdad
2
de matrices

1. o sea, los vectores fila o columna son de módulo unidad.

2. ( ) o sea, los vectores de 2 filas o columnas son ortogonales.
De lo que
3. obtenemos: | | | | | | | | por lo que el determ. | | .
obtenemos
4. ( ) ( ) su transpuesta igual a su inversa
5. Por lo que ( ) ( )

√ √ √ √ √ √

√ √ √ √ √

(√ √ ) ( √ √ √ )

La siguiente ( * ( * ( *
matriz es √ √ √
ortogonal
( * ( * ( * ( *
√ √ √ √ √ √ √ √ √ √
Y así sucesivamente hasta encontrar la matriz

( +
2.16 Aplicaciones lineales

Operaciones vectoriales (suma de vectores y producto de un escalar por un vector).

Proposición 1. Caracterización. Que es una Si es un espacio vectorial,

aplicación lineal y que no lo es la aplicación definida por ( )
es lineal ya que para cualquier :
Sean y dos espacios vectoriales sobre
una aplicación ( ) ( )
se llama aplicación lineal u homomorfismo ( ) ( ) ( )
si se cumple
( ) ( ) ( ) ( )
1. ( ) ( ) ( ) ( )
2. ( ) ( ) ( ) Si es un espacio vectorial y es un vector fijo
Una aplicación es lineal si para cada par la aplicación definida por ( )
de escalares y vectores se cumple: no es lineal ya que no se cumple
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
no se cumple ya que ( )

Propiedades de las aplicaciones lineales, Si * +;

dependencia e independencia lineal es un sistema de vectores linealmente dependientes
existirán escalares no todos nulos que:
Sea una aplicación lineal y ( )

Entonces * ( ) ( ) ( )+
es un sistema de vectores linealmente dependientes
existirán escalares no todos nulos que:
( ) ( ) ( )

Si * +;
es un sistema de vectores linealmente independientes
no existirán escalares no todos nulos que:
( )
Entonces * ( ) ( ) ( )+
no es cierto en general que sea sistema de vectores
linealmente independientes
( ) ( ) ( )

Aplicación lineal inyectiva o monomorfismo Entonces * + son linealmente independientes,

Sea una aplicación lineal inyectiva y además * ( ) ( ) ( )+ son lin.indep. de
Por tanto ( ) ( )
Imagen y núcleo de una aplicación lineal. Clasificación

( ) ( ) * ( ) +
( )
( )
( )
Imagen de f es el conjunto de vectores que son
imagen de algún vector ( )+ y *
Sea * + tal que
( ) ( )
( )
luego ( ) es un subespacio vectorial

( ) * ( ) )+
( )
( ) * +
Núcleo de f es el conjunto de vectores que se
transforman en vector de Sea * ( )+ tal que
( ) ( )
( ) ( )
luego ( ) es un subespacio vectorial

Si espacios vectoriales, ( ) ( ) ( ) ( ) ( )
y aplicaciones lineales ( ) ( ) ( ) ( ) ( )
entonces es aplicación lineal Para que sea aplicación lineal ha de cumplir que
( ) ( ) ( ) ( ) ( )
Por tanto
( ) ( )( )
, ( )- , ( ) ( )-
( ( )) ( ( )) ( )( ) ( ) )
( ) ( )
Y por tanto
( ) ( )( ) , ( )-
, ( )- , ( )- ( ) ( )
Matriz asociada a una aplicación lineal

Si y
Entonces ( ) ( ) ( ) ( )
Al ser una base de se tendrá:
( )
( )

Sea dos espacios vectoriales finitos ( )

Sea * + una base de Si las coordenadas del vector ( ) respecto a la

base son ( ) se tendrá
Sea * + una base de
Consideramos aplicación lineal

Este conjunto de ecuaciones se puede resumir en una

única ecuación matricial

( + ( +( +

Matriz asociada a un cambio de base

Sean y espacios vectoriales

y una aplicación lineal Si la matriz asociada de respecto a y es

( +
* +y * + son dos bases
de
La matriz asociada respecto y será
donde

( + ( +( +
* +y * + son dos
bases de
donde
Dimensiones de la imagen y el núcleo de una aplicación lineal

Sean y espacios vectoriales Entonces si tiene coordenadas ( )

respecto de se tiene
y una aplicación lineal
( ) ( ) ( ) ( )
* + una base de
Por tanto la imagen de cualquier vector de es una
combinación lineal de los vectores ( ) ( ) ( )

Sean y espacios vectoriales Si la matriz asociada a la aplicación lineal respecto a

y una aplicación lineal de las bases * +y * + es

entonces el subespacio ( ) está engendrado por

los vectores imágenes de cualquier ( +

Luego una base de ( ) será un conjunto de

vectores columna de la matriz linealmente
independientes en número igual al rango.

Por tanto, la dimensión del subespacio de , ( ) es

igual al rango de la matriz asociada a la aplicación .

Ecuaciones paramétricas es el conjunto de ecuaciones

escalares

Sean y espacios vectoriales Si la matriz asociada a la aplicación lineal respecto a

y una aplicación lineal de las bases * +y * + es

el núcleo de la aplicación es el subespacio de los

vectores tales que ( ) ( +

El núcleo está formado por los vectores tal que

las coordenadas ( ) respecto a B cumple:

( +( + ( +

Si el rango de la matriz es igual a el sistema tiene una

única solución ( ) entonces

( ) * +

Si el rango de la matriz es igual a entonces existe

un menor de orden no nulo y todos los menores de
orden son cero
Por tanto si una aplicación lineal, entonces:

( ) ( ( )) ( ( ))

Así que:

- Si ( ) entonces , ( )- por tanto es Epimorfismo

- Si ( ) entonces , ( )- por tanto es Monomorfismo
( ) , ( )-
- Si ( ) entonces { } por tanto es Isomorfismo
, ( )-
 CAPÍTULO 3: SISTEMA DE ECUACIONES LINEALES

Una ecuación es combinación lineal de otras varias, si resulta de sumarlas miembro a miembro, previamente
multiplicadas por números cualesquiera.

Multiplicamos la primera por 2 y la segunda por -1.

Por lo que la ecuación es combinación lineal de las otras dos.

3.3 Sistema Cramer

Sean las siguientes ecuaciones

{

| |
Se pueden escribir como

Sistema cramer al ser matriz cuadrada con

( ) ( ) ( ) determinante diferente de 0.

Si es matriz cuadrada (los cocientes) y el

determinante es diferente de 0 será sistema cramer

| |

La solución del sistema cramer

se obtiene mediante la ( ) ( ) | | ( )
inversión de la matriz de los
cocientes.

( ) ( ) ( )

( ) ( ) ( ) ( ) ( )
La solución del sistema cramer se obtiene mediante la
siguiente fórmula: {

∑ | |
| |

Dividir el determinante de la matriz sin la columna de

las incógnitas
entre el determinante de los cocientes | |

| |

| |
3.4 Sistemas de ecuaciones con incógnitas. Teorema de Rouché-Froebenius

Si un sistema no es de Cramer conviene estudiar su compatibilidad mediante este Teorema.

La condición necesaria para que un sistema sea compatible es que sean iguales los rangos de las matrices y

( ) ( )

Por tanto, si es el número de incognitas: Sistema incompatible

Sistema compatible determinado
Sistema compatible indeterminado

Ejemplo de sistema compatible indeterminado

1.- Se comprueba si el sistema es compatible

( ) ( )

| | | |

Al no existir más filas

2.- Por tanto el sistema a resolver será

3.- Se resuelve por sistema cramer

| |

| | | | | |

Al ser el número de incógnitas superior a los rangos igualados de las matrices el sistema será compatible
indeterminado:
 Ejemplo de sistema incompatible

1.- Se comprueba si el sistema es compatible

{ | |

El sistema no es de Cramer, ya que

| |

| |

Por lo que es un sistema incompatible

Ejemplo de sistema compatible determinado

1.- Se comprueba si el sistema es compatible

( ) ( )

Al ser los rangos iguales a las incógnitas el sistema es compatible determinado

2.- Debido a que el rango es 2 nos debemos de quedar con dos ecuaciones que serán las que se han utilizado
para calcular el rango. Por tanto el sistema a resolver será

3.- Se resuelve por sistema Cramer

| |

| | | |
3.5 Sistemas homogéneos

Sistema lineal donde todos sus términos son nulos.

{
Solución trivial cuando
que será solución única si

Ejemplo de más soluciones que la trivial Ejemplo donde la única solución es trivial

{ {

1.- Comprobamos el rango de los cocientes 1.- Comprobamos el rango de los cocientes

| | | | | | | | | | | |

2.- Resolvemos por sistema cramer en el que Cómo el rango es igual al número de incógnitas, la
- Tomamos las dos primeras ecuaciones. única solución es la trivial.
- Pasamos al segundo miembro.

| | | |
3.6 Discusión de un sistema

Clasificar un sistema según los distintos valores del parámetro .

Discutir y resolver el sistema según los valores de

1.- Primero se forman las matrices y

( ) ( )

| | | |

2A.- Sistema compatible determinado 2B.- Sistema compatible indeterminado

Resolución por Regla de Cramer Resolver tomando las dos primeras ecuaciones y
pasando al segundo término

| |
{ | |

| |

| |
3.7 Aplicaciones del modelo Input-Output

Esquema matemático que pone de manifiesto las relaciones entre los sectores económicos de un país.

En una región se dispone de la siguiente información de las cuentas nacionales

Sectores Demanda final Output

Agrario Industrial Servicios Consumo Inversión Total
Sectores Agrario 10 40 0 30 20 100
Industrial 30 60 60 5 45 200
Servicios 5 10 100 130 55 300
Inputs Salarios 40 60 90
primarios Excedente bruto explotación 10 20 40
Impuestos indirectos producc. 5 10 10
Input total 100 200 300

El gobierno decide aumentar la actuación pública incrementando en cinco unidades la demanda final.
Se sabe que las unidades adicionales se van a demandar en un solo sector.
El objetivo es maximizar la producción total de la región.
Por tanto, ¿a qué sectores debe demandarlas?

Se puede sintetizar el cuadro indicado en

Sectores Demanda Output

Agrario Industrial Servicios Final Final
Agrario 10 40 0 50 100
Industrial 30 60 60 50 200
Servicios 5 10 100 185 300
Inputs Primarios 55 90 140
Input total 100 200 300

1.- El método de las relaciones intersectoriales queda definido por la matriz de coeficientes técnicos:

[ ] [ ] [ ] [ ]

[ ]

2.- La matriz inversa de Leontief será:

[ ] [ ] [ ]

- Siendo el vector de incrementos de la demanda final.

- Siendo el vector de incremento de los outputs totales.
- A partir de la matriz de Leontief es inmediato analizar las distintas posibilidades: [ ]

3.- Las tres alternativas son las siguientes:

Si se demanda al sector agrario 5 Si se demanda al sector industrial 5 Si se demanda al sector servicio

unidades mas unidades mas s 5 unidades mas

[ ] [ ] [ ] [ ][ ] [ ] [ ][ ] [ ]
 CAPÍTULO 4: DIAGONALIZACIÓN DE MATRICES

Interesa diagonalizar a una matriz dada ya que con éstas la operatoria se simplifica notoriamente.

4.2.1 Matrices equivalentes

Dos matrices Existen dos matrices y Tales que

equidimensionales y Son equivalentes si No singulares
De dimensiones De dimensiones y .

( )y ( )

Son equivalentes ya que existen las matrices cuadradas

( )y ( )

Tales que , en efecto

( ) ( ) ( ) ( ) ( ) ( )

Propiedades matrices equivalentes

Reflexiva Si e son matrices unitarias de orden y ............................................

Simétrica Si es equivalente a , también es equivalente a ...........................

Transitiva Sea y entonces .................. ( ) ( ) ( )

Tiene el mismo rango ( ) ( ) [ ( )] ( ) ( )

4.2.2 Matrices congruentes

Dos matrices y de orden .

o
son congruentes si existe una matriz que

Dos matrices cuadradas

( ) ( ) ( ) ( ) ( ) ( ) ( )

Son congruentes ya que existe matriz regular ( )

( )
4.2.3 Matrices semejantes

Dos matrices cuadradas y son semejantes

si existe una matriz también cuadrada y no singular que
(también tienen igual rango)
Si y son semejantes, también lo són y

Dos matrices cuadradas

( ) ( ) ( ) ( ) ( )

Son semejantes ya que existe matriz regular ( ) ( ) ( )

( )
4.3 Ecuación característica

( )

Ecuación característica de dicha matriz | | | |

a la ecuación en que resulta de
desarrollar el determinante
( es la matriz unidad de orden )

( )

( ) ( ) ( )

El desarrollo del determinante de esta matriz igualado a 0 es la ecuación característica

| |

Si son semejantes, existe una matriz regular tal que

De la que la ecuación característica se hallaría

Si dos matrices y son semejantes,
ambas tienen la misma ecuación característica
Que también podría escribirse
Aunque el teorema no es recícropo, si dos
matrices tienen la misma ecuación
característica no se puede afirmar que sean
Tomando determinantes
semejantes.
| | | | | | | || || |
Y como | || | , por tanto
| | | |

Comprobamos que las siguientes matrices semejantes tienen la misma ecuación característica

( ) ( )

| | | |

| | | |

Comprobamos que las siguientes matrices tienen la misma ecuación característica pero no son semejantes

( ) ( )

| | | |
4.4 Diagonalización de matrices

Una matriz cuadrada es diagonalizable

si es semejante a una matriz diagonal ,
esto es, si existe una matriz regular que: donde suele denominarse matriz de paso

No todas las matrices son diagonalizables, por eso hay que conocer las condiciones necesarias y suficientes para
que lo sea. Pero antes hay que obtener los valores y vectores propios.
4.5 Valores y vectores propios de una matriz cuadrada

donde es un escalar que se denomina valor propio, autovalor o

raíz característica de .
El vector ( ) es un vector Siendo la matriz unidad
propio o autovector de la matriz si

Por tanto se puede escribir

̅

( )

Los valores propios son las raíces de la ecuación característica | |

| | ( ) ( )

Buscando el valor de se obtiene

( )
{

Como , por tanto ( ) ̅ , con lo que obtenemos

( )
{ ( )
( )
El sistema resulta compatible sólo para los valores propios hallados

Si
Si Si
{
{ {
Restando ambas ecuaciones:
Entonces Entonces
Por tanto
{ {

Por tanto Por tanto

Substituyendo en la 2ª ecuación

Luego el vector característico es: Luego el vector característico es

Luego el vector característico es:

( ) ( )
( )

En general En general
También lo son los paralelos, p.e.:

( ) ( )
( ) o en general ( )
Casos particulares, Matriz diagonal y Matriz triangular

Los elementos de la diagonal principal de una matriz diagonal son sus valores propios.
Los valores propios de una matriz triangular son los elementos de su diagonal principal.

| | ( ) ( )( )( )
( )

| | ( )
( )
( )( )( )( )
Los valores propios son
4.6 Condición necesaria y suficiente para que una matriz sea diagonalizable

es diagonalizable si existe una

matriz regular tal que donde es una matriz diagonal

Entonces y son matrices semejantes Por tanto, ahora hay que determinar que condiciones ha de
luego tienen la misma ecuación característica cumplir una matriz para ser diagonalizable y como hallar la
por tanto tienen los mismos valores propios matriz .

Una matriz de orden ( )

es diagonalizable si dicha matriz
admite un conjunto de vectores propios
esto es que Donde ( )

( )( )

( ) ( )

Por otra parte

Si es invertible, se debe cumplir ( )
Por tanto
( ) ( )
Esto es

Los vectores son autovectores de

La matriz tiene inversa sólo si | | , que equivale a decir que
los autovectores son linealmente independientes
 ( )

La ecuación característica es

| |

que admite las raíces

Los vectores propios se obtienen de
( )
{
( )

Para Para

{ {

que se reduce a una única ecuación que se reduce a una única ecuación
un vector propio es el ( ) un vector propio es el ( )

Los autovectores se suelen expresar como vectores unitarios, para lo cual basta dividir sus coordenadas por su
módulo

Modulo de ( ) es √( ) √ Modulo de ( ) es √( ( ) ) √
Por lo que el vector será Por lo que el vector será

√ √

(√ ) ( √ )

Por lo que la matriz será (√ √

)
√ √

√ √

Hallando la matriz inversa ( )

√ √

Calculando

√ √ √ √
( ) √ √ √ √ ( )
√ √ √ √
( ) (√ √ ) ( ) (√ √ )
La matriz es diagonalizable si y solo si para todo autovalor de la dimensión del subespacio coincide con
la multiplicidad de en la ecuación característica.
La dimensión del espacio asociado al valor propio se calcula hallando la diferencia entre ( es el orden
de la matriz ) y el rango de la matriz ( )
 ( )
Estudiar si es diagonalizable la matriz

Si estudiamos su rango es
( )

( )
Su ecuación característica es

Como ( ) que coincide con el orden de

Que admite las raíces multiplicidad de la raíz la matriz será diagonalizable:

( )( )

Estudiar si es diagonalizable la matriz

( )
( )
Si estudiaremos su rango
Su ecuación característica es
( ) | |

Que admite las raíces Como ( ) que no coincide con el orden

de multiplicidad de la raíz, la matriz no es diagonalizable

4.7 Diagonalización de las matrices simétricas

Si una matriz es simétrica todos sus valores propios son reales.

Se supone que un valor propio es complejo,

entonces le corresponderá un vector tal que

Pero como la matriz es de elementos reales

si es su ecuación característica,
también lo será , complejo conjugado de
por lo que le corresponderá un vector propio tal que

Premultiplicando por se tiene

Premultiplicando por se tiene

Siendo matriz simetrica ( ) ( ) ( )

Por tanto se puede escribir

( )
Que proporciona
Los valores propios son

| | | |
A dos valores propios distintos ( ) de una matriz simétrica corresponden vectores propios ortogonales

A partir de

Se obtienen premultiplicando por y

( ) ( )
Transponiendo la primera

Teniendo en cuenta la segunda ( )

Y al ser

El producto escalar de los vectores y es nulo, luego los vectores son ortogonales.
 Diagonalizar la matriz

( )

En primer lugar se halla la ecuación característica

| | ( ) ( )

Que proporciona las raíces:

Los autovalores se obtienen a partir de

{ ( )
( )

Para Para Para

{ { {

El autovector es ( ) El auto vector es ( ) El autovector es ( )

El vector normalizado es ( ) El vector normalizado ( ) El vector normalizado ( )

√ √ √ √ √ √ √ √

Por lo que la matriz será

√ √ √ √

√ √ √ √ √ √

(√ √ √ ) (√ √ √ )
Finalmente se calcula

√ √ √ √
( ) ( )
√ √ √ √ √ √

(√ √ √ ) (√ √ √ )

En las matrices simétricas, se verifica que si su polinomio característico se descompone en la forma siguiente:
| | ( ) ( ) ( )
Donde los son los órdenes de multiplicidad de las raíces (autovalores) cumpliéndose

Se verifica que el subespacio asociado al autovalor tiene dimensión

Por tanto, toda matriz simétrica es diagonalizable.
4.8 Resumen de los casos que se pueden presentar una diagonalización

La matriz es simétrica, en este caso siempre es diagonalizable

La matriz no es simétrica

Si los autovalores son todos distintos: La matriz es diagonalizable

Se compara el valor que toma para cada :

( )
Si existen autovalores con orden de
con el orden de multiplicidad de
multiplicidad mayor o igual que dos
Si ( ) es diagonalizable
Si ( ) no es diagonalizable

4.9 Traza de una matriz

Sea ( ) una matriz

Su traza será la suma de los elementos de ( )
la diagonal principal
( )
( ) ∑

Propiedades de la traza

( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( )

( ) ( ) ( ) ( ) ( )

( ) ( ) ( )
( )
( ) ( )
( ) ( ) ( )
( )

( ) ( ) La diagonal de la matriz no varía al transponerla.

| |
Si autovalores
( ) ( )

∑ ( )

Si y son semejantes ( ) ( )
 CAPÍTULO 5: FORMAS CUADRÁTICAS

5.2 Formas lineales

Una forma lineal sobre un cuerpo

en las variables
∑
donde son elementos del cuerpo
es un polinomio de la forma siguiente:

Si se tienen formas lineales

de variables

Se puede formar la matriz asociada a ellas ( ,

Si ( )
existe dependencia lineal
entre las formas
y se pueden encontrar
escalares (elementos de ) tales que

Si ( ) son formas linealmente independientes, por lo que no existen dichos escalares.

Si , caso en que existe dependencia, se puede afirmar que existen formas linealmente independientes

Se forma la matriz

( +
Determinar si son linealmente
dependientes Se obtiene su rango (ver que la 4ª columna se puede suprimir al
ser diferencia entre la 1ª y la 3ª).

| | | | ( )

Al ser el rango 2 solamente existen dos formas linealmente

independientes, la 1ª y la 2ª por lo que la tercera es dependiente
con la siguiente relación
5.3 Formas bilineales

Se denomina forma bilineal a una expresión

lineal y homogénea en cada uno de los * + * +
conjuntos de variables

La expresión Es una forma bilineal donde

( ) ( ) ( )

La expresión general de una forma ( )

bilineal es
∑ ∑

O bien en forma matricial siguiente

donde la matriz
es la matriz de la forma bilineal ( ) ( )( +( +
y ( ) es el rango de la forma
bilineal

Escribir en la forma matricial la forma

bilineal ( ) ( )( +( +
( )

Forma canónica es cuando solamente tiene Forma canónica en forma bilineal

términos en . ( )

∑ Forma canónica en matriz

La matriz de una forma bilineal canónica es ( ) ( )( +( +

una matriz diagonal
5.4 Formas Cuadráticas

Es un polinomio homogéneo de ( ) ∑∑
segundo grado:

Para escribir la forma cuadrática Los elementos (diagonal principal)

en la forma matricial son iguales a (coeficientes de los términos )
donde es la matriz de dicha forma Los elementos simétricos respecto la diagonal principal y son
se procede: iguales entre sí e iguales a ⁄ .

( )

Los elementos de la diagonal principal son los coeficientes de (las elevadas al cuadrado):

Los elementos simétricos son iguales entre sí

Y estos elementos simétricos son iguales a

( ) ( )

La forma cuadrática es

( + ( +

Escrita matricialmente es
La forma cuadrática en forma canónica
( ) ( ) ( )( +( +
5.4.1 Reducción de una forma cuadrática a su forma canónica. Método de lagrange

El método consiste en reducir la forma cuadrática a una suma de cuadrados.

( )

1. Se toman en los términos que contengan a :

Recordando el cuadrado de una suma: ( )
Haciendo :
Sustituyendo en ( ):
Y operando queda

2. Con la nueva se toman ahora los :

Reducimos la expresión ( )
Seguimos reduciendo ,( ) -
Hacemos
Sustituyendo en
Y operando queda

3. Con la nueva se toman ahora los y se sustituyen por quedando la forma cuadrática definitiva
5.4.2 Transformaciones de una forma cuadrática

( ) ( ) ( )

Sea la forma cuadrática ( ) Que es una forma cuadrática en ( )

efectuando la transformación De matriz ( )

Se realiza la transformación de Lagrange (ver 5.4.1):

Que la escribimos en forma matricial

( + ( +( +

Transponiendo sería

( ) ( )( +

Sustituyendo en la forma dada, escrita matricialmente (recordemos el punto 5.4)

( )( +( +

Obtenemos

( ) ( ) [( +( +( +] ( +

( )( +( + ( )( +

Reducida una forma cuadrática de orden a su forma canónica,

designando por ( ) al número de elementos distintos de cero de su diagonal
y por ( ) al número de elementos estrictamente positivos de dicha diagonal
se cumple:

Si una matriz se ha reducido a la forma canónica mediante dos transformaciones diferentes,

tanto como son los mismos.

En consecuencia, la diferencia ( ), diferencia entre elementos positivos y negativos, se denomina

signatura
5.4.3 Discriminante de una forma cuadrática

Si se efectua la transformación lineal ..............................

tendremos que ........................................... ( )
Se llama discriminante de la forma
por lo que el discriminante será ....................................... | |
cuadrática
y que por propiedades conocidas ..................................... | | | |
al determinante | |.
y como | | siempre es positivo,
el signo del discriminante se mantendrá constante

( )( )( )

Mediante transformación

Se ha reducido a la forma canónica

( ) ( ,

( )
Por la invariancia del signo del discriminante

| | || || ( )

Teniendo en cuenta la transformación efectuada anteriormente, si se supone que

( )( ,( ,

( )( ,( ,

Y de aquí

| | | | ( )

Y reiterando el proceso

| | | | ( ) | | | | ( )

| | ( ) ( )
Donde | || || | | || | son los menores principales de la matriz A.
Se llama menor principal de la matriz al formado por las primeras filas y las primeras columnas
 Los menores principales son
| | | |

En la matriz | | | |

( + | | | |

Y sus signos
| | | | | |
5.4.4 Formas cuadráticas definidas, semidefinidas y no definidas

Si escrita en forma canónica todos los coeficientes son

Forma cuadrática definida positiva estrictamente positivos
( )

La forma cuadrática Por tanto

tomará estrictamente un valor positivo
para cualquier sistema de valores (
que se den a las variables (no todos cero) )

Si escrita en forma canónica todos los coeficientes son

Forma cuadrática definida negativa estrictamente negativos
( )

La forma cuadrática
tomará estrictamente un valor negativo Por tanto
para cualquier sistema de valores
que se den a las variables (no todos cero)

Diagonalizar y clasificar la forma cuadrática ( )

Diagonalizando por el método Lagrange

( )

( )

[. / ]

( )

[. / ]

Por tanto la forma cuadrática, en su forma canónica es

Al ser todos los coeficientes positivos la forma es definida positiva.

 Si escrita en forma canónica los coeficientes
Forma cuadrática semidefinida son positivos (negativos)
positiva (negativa) pero algunos son cero
( )

Por tanto
La forma cuadrática
tomará un valor positivo (negativo) o nulo Semidefinida positiva y
para cualquier sistema de valores Semidefinida negativa y
que se den a las variables (no todos cero)

Diagonalizar y clasificar la forma cuadrática

( )

Diagonalizando

( )

Como los coeficientes son En esta forma

Escrita en forma matricial ( )( +( +

Si escrita en forma canónica entre los coeficientes

Forma cuadrática no definida existen positivos y negativos
( )

Diagonalizando obtenemos
Sea la forma cuadrática

Al existir términos positivos y negativos, la forma es no

definida.
Cuando solo interesa clasificar la forma cuadrática se utilizará el método del discriminante según el punto 5.3.3

Para una forma definida positiva se

( ) ( ) ( )
verifica

Por tanto se tendrá | | | | | |

Clasificar la forma cuadrática ( )

Se escribe la matriz de la forma

( )
Se calculan los menores principales

| | | | | | | | | |

Como todos los menores principales son estrictamente positivos, la forma cuadrática es definida positiva.

Para una forma definida negativa se

( ) ( ) ( ) ( )
verifica

| | | |
Por tanto se tendrá
| |( )

Clasificar la forma cuadrática en forma matricial ( ) ( +

Se calculan los menores principales

| | | | | | | | | |

Como todos los menores son no nulos y además alternadamente positivos y negativos, la forma cuadrática es
definida negativa.
 ( )
Para una forma semidefinida positiva
( )
se verifica
( )

| |
Por tanto se tendrá | |
| |

Clasificar la forma cuadrática ( )

La matriz correspondiente es

( ) ( )( +( +

Formando los menores principales

| | | | | | | | | |

Como algunos de los menores principales es 0 y otros son positivos, se trata de forma semidefinida positiva.

( )
Para una forma semidefinida negativa
( )
se verifica
( ) ( )

| |
Por tanto se tendrá | |
| |( )

Clasificar la forma cuadrática en forma matricial

( ) ( )( +( +

Formando los menores principales

| | | | | | | | | |

Al seguir la secuencia de positivos y negativos, y hay algunos nulos, se trata de forma semidefinida negativa.

La secuencia de signos no es la misma ó no es

Forma no definida donde se verifica que
alternada, incluyendo o no valores nulos.

Clasificar la forma cuadrática ( )

Obtenemos ( +

Los menores principales son | | | | | | | | | |

Como la secuencia de signos es la forma es no definida.

5.5 Las cónicas

es el centro
Se tiene por definición
es un punto genérico de la circunferencia
̅̅̅̅
la longitud del radio

Se tiene

( ) las coordenadas del centro ̅̅̅̅ √( ) ( )

( ) las coordenadas del punto genérico Elevando al cuadrado
( ) ( )

Operando la expresión anterior obtenemos

Comparando con la expresión general de un Los coeficientes de e son iguales

polinomio de segundo grado con dos
variables se aprecia que No tiene termino en

La ecuación siguiente
Representa una circunferencia: Ya que no tiene término en
Los coeficientes de e son iguales.

Como los coeficientes de

e son iguales se podrá
dividir entre ellos.
√

- La abscisa del centro es la mitad del coeficiente de cambiado de signo.

Que indica que siempre que
- La ordenada del centro es la mitad del coeficiente de cambiado de signo.
e sean la unidad:
- Hallados y , la tercera permite hallar el radio.

En la ecuación

Las coordenadas del centro son Abscisa ( )

( ) Ordenada

La longitud del radio es √ √ ( )

En la ecuación

Como los coeficientes de y de no son

la unidad, se divide por ellos

Las coordenadas del centro son Abscisa ( )

( ⁄ ⁄ ) Ordenada ( )

La longitud del radio es √ √( ⁄ ) ( ⁄ ) ( ⁄ )

5.2.2 Coordenadas homogéneas

Si en el plano cartesiano,
a cada punto ( )
se le hace corresponder ( )
de forma que Por tanto, se han introducido en el plano las coordenadas homogéneas

Sea la circunferencia de ecuación

( * ( *
Escrita en coordenadas homogéneas
Operando resulta

Si La ecuación en homogéneas resulta igual a la original

A cada par le corresponderá un punto que se aleja indefinidamente

Si
( X,Y)

Se encuentran los puntos en el infinito de la curva representada por

Si
dicha ecuación. Los puntos de la curva se alejan indefinidamente.

Sea la curva de ecuación

Escrita en coordenadas homogéneas ( * ( *

Proporciona las direcciones en que los puntos de la curva se alejan

Y haciendo indefinidamente.

Gráficamente seria: 4

Siendo las curvas cuando -14 -12 -10 -8 -6 -4 -2

0

-2
0 2 4 6 8 10 12 14
x

Siendo las líneas cuando -4

-6

-8

Sea la circunferencia de ecuación

Escrita en coordenadas homogéneas

Y haciendo
Que indica que la circunferencia no tiene puntos del infinito reales.
y

Gráficamente sería con 2

se dibuja una circunferencia -7 -6 -5 -4 -3 -2 -1

-1
0
0 1 2 3 4 5 6 7
x

no se dibuja ninguna gráfica

-2

-3

-4
5.5.3 Cónicas

Es toda curva cuya ecuación adopta la

forma general
Recordar: ( ) son la mitad de los coeficientes de ( )

Escrita en forma homogénea

( )( +( )

Que es una forma cuadrática que

expresada matricialmente ( )( +( +

Como se puede apreciar la circunferencia es una cónica que

y .

Clasificación de las cónicas por puntos en el infinito

Género hipérbola Cónica con dos puntos en el infinito

Género parábola Un punto en el infinito

Género elipse Ningún punto en el infinito

Si

Dividendo por ( *

Haciendo se obtendrán las direcciones infinitas

Ecuación de segundo grado que si es positiva, nula o

negativa proporcionará dos, una o ninguna raíz real para

Empleando el determinante de la ecuación | | {

Clasificar
Como

| |
y

0,5

0 x

La cónica es del género elipse.

-1,5 -1 -0,5 0 0,5 1 1,5

-0,5

-1

Clasificar
Como

| |
y

0 x

La cónica es del género parábola

-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7

-1

-2

-3

-4
5.5.4 Invariantes de una cónica

Dada una cónica escrita en forma matricial

donde ( )y es la matriz de la
( +
cónica

Se verifica que en cualquier cambio de sistema de

referencia (traslación o rotación) los escalares
siguientes no sufren variación. | | | |
Son invariantes y se conocen por invariante
proyectivo, afín y métrico

Un cambio de coordenadas ( )
a las coordenadas ( )
mediante una traslación del origen ( )
( ) ( )( +
al nuevo origen ( )
y una rotación de ejes de ángulo
se obtiene mediante

Entonces la ecuación de la cónica se transformará en

( )( + ( )( +

Designando

( + ( )

Y como

| | | |

Resulta
| | | |
Por tanto, el determinante de la nueva matriz es igual al de la original, así que dicho determinante es invariante
en cualquier cambio de coordenadas
5.5.5 Cónicas en forma canónica

Elipse

Una ecuación de la forma

Representa una elipse si

| | | | | |

Luego es una cónica no degenerada

Si es negativo se trata de una elipse real. Si es positivo se trata de una elipse imaginaria.

Donde no existe ningún par de números reales ( ) que

verifique dicha ecuación, luego es una elipse imaginaria

Si , la ecuación se descompone en el
producto de dos rectas imaginarias
que se cortan en un punto real
(√ √ ) (√ √ )

Se trata de una cónica degenerada donde | | | |

En una elpise real

Dividiendo por el término independiente

En general

La elipse es el lugar geométrico de los puntos

del plano tales que
la suma de distancias de un punto genérico 2
y
R
a dos puntos fijos llamados focos ( ) 1,5
P

sea constante (igual a ) 1

0,5

Se observa que N
F1
0
F2
M x
-3,5 -3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3 3,5

-0,5

-1

-1,5

Cumpliendose que -2

S
Donde , semieje mayor
, semieje menor
, semidistancia focal
Hipérbola

Una ecuación de la forma

Representa una hipérbola si

| | | | | |
no son nulos
tienen signos distintos Es cónica no degenerada.

Si resulta una cónica degenerada, que es el producto de dos rectas reales que no se cortan.

La siguiente curva de ecuación , o bien ( )( )

se descompone en las rectas reales

Observar que para esta cónica

y

| | | |
4

0 x
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7

-1

-2

-3
Por lo que es cónica degenerada (dos rectas que se cortan)
-4

Si tendremos una cónica que

degenera en dos rectas paralelas (reales o
imaginarias.

En una hipérbola no degenerada

y
Dividendo por el término independiente se obtiene
15

10

0 x
-30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30

-5

-10

-15

Y en general

y
r2 r1
La hipérbola es el lugar geométrico de los 2

puntos del plano tales que 1,5

su diferencia de distancias a dos fijos

llamados focos ( ) es constante.
1

0,5
Se observa que
F2 N 0 M F1 x
-3,5 -3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3 3,5

-0,5
Cumpliéndose que
-1

Las rectas y
-1,5
son las asíntotas de la hipérbola y tienen
-2
por ecuación
Parábola

Una ecuación de la forma

Representa una parábola si | | | |

no son nulos
Es cónica no degenerada

Si la parábola degenera en una recta doble

La ecuación de la forma indicada puede escribirse

O la forma reducida

La parábola se define como el lugar geométrico y

de los puntos del plano

4

equidistantes de un punto fijo (el foco ) 2

y de una recta llamada (línea puntos) -7 -6 -5 -4

D
-3 -2 -1
V0
0 1 2
F
3 4 5 6 7
x

-1

El vértice de la parábola es el punto -2

que coincide con el origen.

-3

-4

5.5.6 Clasificación de las cónicas en forma canónica

Elipse
igual signo que y
imaginaria

y Elipse
Género elipse distinto signo que y
mismo signo real

Elipse
degenerada

Hipérbola
y
Género hipérbola
distinto signo Hipérbola
degenerada

y
Parábola
no nulas

Una recta doble

5.5.7 Reducción de la ecuación de una cónica a su forma canónica

- Se clasifica la cónica distinguiendo si es o no degenerada.

- Se iguala los respectivos invariantes de las dos ecuaciones.
- Se obtienen los coeficientes buscados.

Clasificar y escribir la ecuación canónica de la ecuación cónica

Se forman los invariantes

| | | | | |

Se trata de una cónica no degenerada por ser | |

del género parábola ya que
luego su ecuación canónica será
Cuyos invariantes serán

| | | |

e igualando
invariante proyectivo ......................
invariante métrico ..........................

de donde ........................................ ;

luego la ecuación buscada es ..........

de donde ........................................

y el valor de es .............................

Clasificar y escribir la ecuación canónica de la ecuación cónica

Formando los invariantes

| | | | | |

Es una curva del género elipse ya que

Elipse degenerada debido a que | |
Luego su ecuación canónica será
Cuyos invariantes son

| | | |

Igualando a la ecuación dada

donde y (o viceversa)
Luego la ecuación buscada es